基于人工智能的图书馆书籍定位机器人自动化控制系统设计

薛谢辉，马同霞

（1.南昌职业大学 工程技术学院，南昌 330500；2.南昌职业大学 经济管理学院，南昌 330500）

为提高管理效率，提升图书馆管理智能化水平，应用机器人技术进行书籍管理则成为首选方法[1]。机器人用于图书馆后，能够实现对馆内所有书籍的扫描、定位、统计等处理，实现图书馆的智能化服务，并且极大程度提升图书馆的管理效率和服务质量。书籍定位作为机器人在图书馆中的重要作用之一，其能够精准获取数据的位置，为图书寻找提供有效帮助。但是，在实际应用过程中，由于馆内书籍的大小、薄厚等均存在差异，因此，机器人在进行书籍定位时，仍旧会发生定位误差[2]。因此，为保证机器人对于书籍的精准定位，需提升机器人的控制效果。文献[3]针对该需求，基于多传感器融合，提出相关控制方法，该方法通过卡尔曼滤波算法实现机器人测距数据和里程数据的融合，在此基础上获取机器人的坐标信息，实现机器人控制。但是该方法在应用过程中，对于机器人位姿角的控制误差较大；文献[4]则基于ROS 构建机器人模型，在考虑机器人一定角度和距离权重的前提下，利用随机数算法完成机器人运动规划，实现机器人控制。该方法在应用过程中，对于突发障碍物的避障效果较差。

为解决控制误差大，避障效果较差的问题，本文设计基于人工智能的图书馆书籍定位机器人自动化控制系统。

1 图书馆书籍定位机器人自动化控制系统

1.1 书籍定位机器人自动化控制系统结构

书籍定位机器人在应用时需准确定位书籍的位置，为书籍管理提供可靠保障，为保证机器人对于不同大小、不同厚度书籍的定位效果，快速完成书籍的寻找，需提升机器人的控制效果。本文结合书籍定位寻找需求，设计基于人工智能的书籍定位机器人自动化控制系统，系统结构如图1 所示。本系统整体分为人机交互层、行为评估层、运动规划层以及机器人执行层，人机交互层可下达机器人运动指令，行为评估层对机器人接受控制后的运动行为进行评估，运动规划层依据评估结果对机器人进行自主控制，通过机器人执行层执行控制结果。

图1 人工智能书籍定位机器人控制系统结构Fig.1 Structure of positioning robot control system for artificial intelligence

1.2 自主控制器结构

运动规划层在进行机器人自主控制时，主要依据自主控制器完成，控制器结构如图2 所示。自主控制器的主要作用是实现远程端控制、本地端控制两种控制模式下机器人行为的自主控制，该控制器以TMS320F2812 处理芯片为核心，与上位机、复位电路、传感器、光电编码器以及各类串口等相连接，实现图书馆定位机器人的自主控制。其在控制过程中，能够依据接口电路将控制指令传送至电机驱动器，完成该驱动器的控制；并且在控制过程中，以eCAN总线为依据，实现该控制器和PC 上位机之间的实时通信，保证控制指令可迅速精准的执行。

图2 自主控制器结构Fig.2 Autonomous controller structure

1.3 图书馆书籍定位机器人硬件

机器人执行层是系统的基础支撑，其主要通过机器人实现该层的运行，机器人硬件结构如图3 所示。依据图3 可知，该机器人以工控机为核心，并且工控机内设有视频采集卡、数据采集卡、USB 接口、PCI多串口以及射频识别，其中视频采集卡连接智能视觉装置，数据采集卡连接传感器、激光雷达测距仪等；PCI 多串口通过串行通信模式的扩展接口实现罗盘、倾角以及射频识别传感器和工控机之间的双向通信；与此同时，通过该双向通信串口，将工控机和机器人的电机控制器相连接，实现书籍定位机器人的左、右2 个驱动电机、旋转和俯仰2 个驱动电机的控制，以实现对于机器人位姿角的精准控制。

图3 图书馆书籍定位机器人硬件结构Fig.3 Library book positioning robot hardware structure

1.4 书籍定位机器人的自主控制

1.4.1 机器人作业环境区域识别

由于视觉装置采集的作业环境图像为彩色图像，为精准检测识别作业环境区域的目标图像，以为后续的定位控制提供可靠的支撑。因此，利用Roberts算子完成对所采集到彩色图像的灰度处理，获取图像色彩突出部分后，依据色彩分布的梯度变化对图像进行分割以及边缘检测。将视觉装置获取的图书馆环境图像色彩分布用函数f（x，y）表示，其像素点用（x，y）表示，该像素点在x、y 两个方向上的表达公式为

对于目标图像（x，y）而言，其区域矩计算公式为

式中：p 和q 均表示阶数；s 表示采集图像的整个区域。

对（x，y）进行二值化处理后，（x，y）=1，此时零界矩m00的计算公式为

式中：m00即为图像中目标区域的面积，其一阶矩计算公式为

目标区域的质心（xc，yc）计算公式为

为了保证该质心区域被更好地识别，文中采用人工聚类方法，对质心位置进行分类，以此获取机器人书籍定位作业区域。其详细流程如下所述：

（1）构建聚类中心，将计算获取的（xc，yc）结果定义为聚类中心；

（2）计算质心样本数据｛X｝，按照最小距离对计算结果进行划分，使其归属于某个选定的聚类中心

（4）采用计算得出的均值向量作为新的聚类中心，并依据聚类准则，保证函数值最小；

1.4.2 重定位增强方法

获取机器人作业区域识别结果后，为提升机器人对于书籍的定位精度，自主控制器中设有基于粒子滤波的重定位增强方法，依据该方法完成机器人对书籍的定位。该方法结构如图4 所示。该方法是在确定作业区域的基础上，获取二维栅格地图和作业区域环境内的语义信息并对其进行遍历；在此基础上，依据栅格地图完成作业区域内书籍所在的环境划分，使其形成多个功能区块，并获取各个区块的语义信息，将其定义为功能区特征。环境匹配依据语义信息完成，即通过最大似然估计法完成书籍的粗定位，将粗定位结果作为粒子滤波器的先验知识，以此实现书籍的精定位。

图4 重定位增强方法结构Fig.4 Repositioning the enhanced method structure

机器人定位可采用连续时间概率计算问题描述，采用贝叶斯和马尔克夫理念对该问题进行描述为

式中：b（St）表示置信度；St表示在t 时刻下机器人的状态估计结果；η 表示归一化因子；ut表示控制量；zt表示机器人搭载的激光雷达获取的书籍测量数据；m 表示全局地图。

公式（7）中，包含了2 个部分，分别为预测和更新，其中p（St∣St-1，ut）的主要作用是完成机器人状态预测，该预测是依据生成的先验概率完成；p（zt∣St，m）表示测量似然概率，和p（St∣St-1，ut）结合后，完成机器人状态估计结果更新。

粒子滤波方法在进行机器人精定位时，概率分布通过粒子密度分度表示，b（St）则采用n 个粒子集合表示，其精定位流程为

（1）以t-1 时刻下机器人的状态估计结果St-1、ut以及机器人运动模型采样，获取t 时刻下机器人可能发生的状态；

（2）通过传感器观测模型计算各个粒子包含的观测数据zt以及地图匹配度

（3）采用匹配度重采样处理后，生成后验概率分布，并通过循环迭代处理后，获取机器人的位姿结果，实现机器人定位控制，以此可保证机器人对于书籍的定位精度。

2 测试分析

为验证本文系统在图书馆书籍定位机器人控制中的应用效果，以某市图书馆为实例研究对象，并对该图书馆内使用的书籍定位机器人进行控制测试。该机器人为双足机器人，其详细参数如表1所示。

表1 双足机器人详细参数Tab.1 Detailed parameters of biped robot

为验证本文系统应用后，定位的精准性，获取本文系统应用后，机器人在不同书籍位置高度下，对于不同大小书籍的定位误差结果（期望误差低于2.5 mm），如表2 所示。

表2 不同大小书籍的定位误差结果Tab.2 Results of localization errors of different sizes

根据表2 测试结果可知，本文系统应用后，能够极大程度提升机器人的定位精度，即使书籍大小尺寸较小时，机器人依旧能够精准完成书籍定位，误差结果最大值仅为2.2 mm，在期望误差方位内。因此，说明本文系统具有良好的机器人控制效果，应用后可保证机器人对于书籍的定位效果。

为验证本文系统应用后对于机器人的控制效果，获取机器人的位姿角控制结果，并将控制结果和理想结果进行对比，测试结果如图5 所示。

图5 机器人位姿角控制结果Fig.5 Robot pose and angle control results

根据图5 测试结果可知，本文方法应用后，能够有效控制机器人的位姿角，控制后的位姿结果与期望位姿结果一致，未出现机器人位姿角偏差。因此，说明本文系统能够有效实现机器人位姿控制。

为验证本文系统的应用效果，获取本文系统应用后，机器人在书籍寻找过程中，突发行人闯入后，机器人的自主避障效果，结果如图6 所示。

图6 机器人的避障效果测试Fig.6 Barrier avoidance effect test of robot

根据图6 测试结果可知，本文系统应用后，机器人在目标书籍定位过程中，面临行人突然闯入后，机器人能够自主躲避行人，不会和行人发生碰撞，并且躲避行人后能够自主重新规划行驶路径，完成目标书籍寻找。

为进一步验证本文系统的实用性，以机器人的避障精准度为实验指标，采用文献[3]方法与文献[4]方法进行对比测试，结果如图7 所示。

图7 机器人避障精准度对比结果Fig.7 Comparison results of robot obstacle avoidance accuracy

根据图7 可以看出，应用本文系统后，机器人避障精准度最高达到98%，而文献[3]方法的机器人避障精准度最高为87%，文献[4]方法的机器人避障精准度最高为83%，均低于90%。相比之下，本文系统的避障精准度高，由此说明本文方法具有实用性。

3 结语

为提升机器人对于书籍的定位精度，本文设计基于人工智能的图书馆书籍定位机器人自动化控制系统。对该系统进行测试后得出：本文系统具有较好的应用效果，能够精准完成不同大小书籍的定位，并且可完成馆内作业环境识别，精准实现机器人位姿控制，并且可呈现不同控制模式下的人机交互结果。